【并行算法】:如何利用并行处理提高算法的执行效率?

时间复杂度是衡量算法执行效率的一种标准。但时间复杂度并不能跟性能划等号。在真实的软件开发中,即使在不降低时间复杂度的情况下,也可以通过一些优化手段,提升代码的执行效率。毕竟对于实际开发来说,即使是10%的提升,也是非常可观的。

算法无法继续优化的情况下,我们该如何进一步提高执行效率呢?一种非常简单又好用的方法就是并行计算。如何借助并行计算的处理思想对算法进行改造


并行排序

假设我们要给大小为8GB的数据排序,且我们的机器可以一次性容纳这么多数据。对于排序来说,最常用的就是时间复杂度为O(nlogn)的三种排序算法:归并排序、快速排序、堆排序。从理论上讲,这个算法问题,已经很难从算法层面优化了。而利用并行的处理思想,我们可以很轻松地将这个给8GB数据排序问题的执行效率提升很多倍。具体实现思路有下面两种。

第一种是对归并排序并行化处理。我们可以将这8GB的数据划分为16个小的数据集合,每个集合包含500MB的数据。我们用16个线程,并行的对这16个500MB的数据集合进行排序。这16个小集合分别排序完之后,我们再将这16个有序集合合并。

第二种是对快速排序并行化处理。我们通过扫码一遍数据,得到数据所处的范围区间。我们把这个区间从小到大划分为16个小区间。我们将8GB的数据划分到对应的区间中。针对这16个小区间的数据,我们启动16个线程,并行地进行排序。等到16个线程都执行结束之后,得到的数据就是有序数据了。

对比这两种处理思路,它们利用的都是分治的思想,对数据进行分片,然后并行处理。它们的区别在于,第一种思路是,先随意对数据分片,排序之后再合并(合并的思路跟归并排序一样)。第二种处理思路是,先对数据按照大小划分区间,然后再排序,排完序就不需要再处理了。这个跟归并和快排的区别如出一辙。

如果要排序的数据规模不是8GB,而是1TB,那问题的重点就不是算法的执行效率了,而是数据的读取效率。因为1TB的数据肯定是在硬盘中,无法一次性读取到内存中,这样在排序的过程中,就会有频繁的数据磁盘读取和写入。如何减少磁盘的IO操作,减少磁盘数据读取和写入的总量,就变成了优化的重点。不过这不是本节的讨论重点,你可以思考下。


并行查找

我们知道,散列表是一种非常适合快速查找的数据结构。

如果我们是给动态数据构建索引,在数据不断加入的时候,散列表的装载因子就会越来越大。为了保证散列表的性能不下降,我们就需要对散列表进行动态扩容。对如此大的散列表进行动态扩容,一方面比较耗时,另一方面比较消耗内存。比如,我们给一个2GB大小的散列表进行扩容,扩充到原来的1.5倍,也就是3GB大小。这个时候,实际存储在散列表中的数据只有不到2GB,所以内存利用率只有60%,有1GB的内存是空闲的。

实际上,我们可以将数据随机分割成k份(比如16份),每份中的数据只有原来的1/k,然后我们针对这k个小数据集合分别构建散列表。这样,散列表的维护成本就变低了。当某个小散列表的装载因子过大的时候,我们可以单独对这个散列表进行扩容,而其他散列表不需要扩容。

还是刚才那个例子,假设现在2GB的数据,我们放到16个散列表中,每个散列表中的数据大小约是150MB。当某个散列表需要扩容的时候,我们只需要额外增加150*0.5=75MB的内存(假设还是扩容到原来的1.5倍)。不管从扩容的执行效率还是内存的利用率上,这种多个小散列表的处理方法,都要比大散列表高效。

当我们要查找某个数据的时候,我们只需要通过16个线程,并行的在这16个散列表中查找数据。这样的查找性能,比起一个大散列表的做法,也并不会下降,反倒有可能提高。

当往散列表中添加数据的时候,我们可以选择将这个新数据放入装载因子最小的那个散列表中,这样也有助于减少散列冲突。


并行字符串匹配

在文本中查找关键词这样一个功能,可以通过字符串匹配算法来实现。之前学过的字符串匹配算法有KMP、BM、RK、BF等。当在一个不是很长的文本中查找关键词的时候,这些字符串匹配算法中的任何一个,都可以表现得非常高效。但是,如果我们处理的是超级大的文本,那处理的时间可能就会变得很长,那有没有办法加快匹配速度呢?

我们可以把大的文本分割成k个小文本。假设k是16,我们就启动16个线程,并行的在这16个小文本中查找关键词,这样整个查找的性能就提高了16倍。对于真实的软件开发来说,这显然是一个非常可观的优化。

不过这里还有一个细节要处理,那就是原本包含在大文本中的关键词,被一分为二,分割到两个小文本中,这就会导致尽管大文本中包含这个关键词,但在这16个小文本中查找不到它。实际上,这个问题也不难解决,我们只需要针对这种特殊情况,做一些特殊处理就可以了。

我们假设关键词的长度是m。我们在每个小文本的结尾和开头各取m个字符的字符串。前一个小文本的末尾m个字符和后一个小文本的开头m个字符,组成一个长度为2m的字符串。我们再拿关键词,在这个长度为2m的字符串中再查找一遍,就可以补上刚才的漏洞了。


并行搜索

前面我们学习过好几种搜索算法,分别是广度优先搜索、深度优先搜索、Dijkstra最短路径算法、A*启发式搜索算法。对于广度优先搜索算法,我们也可以将它改造成并行算法。

广度优先搜索是一种逐层搜索的搜索策略。基于当前这一层顶点,我们可以启动多个线程,并行地搜索下一层的顶点。在代码实现方面,原来广度优先搜索的代码实现,是通过一个队列来记录已经遍历到但还没有扩展的顶点。现在,经过改造之后的并行广度优先搜索算法,我们需要利用两个队列来完成扩展顶点的工作。

假设这两个队列分别是队列A和队列B。多线程并行处理队列A中的顶点,并将扩展得到的顶点存储在队列B中。等队列A中的顶点都扩展完成后,队列A被清空,我们再并行地扩展队列B中的顶点,并将扩展出来的顶点存储在队列A。这样两个队列循环使用,就可以实现广度优先搜索算法。


总结引申

并行计算是一个工程上的实现思路,尽管跟算法关系不大,但是在实际的软件开发中,它确实可以非常巧妙地提高程序的运行效率,是一种非常好用的性能优化手段。

特别是,当要处理的数据规模达到一定程度之后,我们无法通过继续优化算法,来提高执行效率的时候,我们就需要在实现的思路上做文章,利用更多的硬件资源,来加快执行的效率。所以,在很多超大规模数据处理中,并行处理的思想,应用非常广泛,比如MapReduce实际上就是一种并行计算框架。


课后思考

假设我们有n个任务,为了提高执行的效率,我们希望能并行执行任务,但是各个任务直接又有一定的依赖关系,如何根据依赖关系找出可以并行执行的任务

用一个有向图来存储任务之间的依赖关系,然后用拓扑排序的思想来执行任务,每次都找到入度为0的,放在队列里,启动线程池开始执行,队列里的任务并行执行完毕,再次调用拓扑排序找到入度为0的人,放入队列,直到所以任务跑完。

已标记关键词 清除标记
相关推荐
©️2020 CSDN 皮肤主题: 撸撸猫 设计师:C马雯娟 返回首页